Суть открытия: Геном — это не просто код, а архитектура вариативности
Статья, опубликованная в августе 2026 года в рамках программы Iliad Fellowship, утверждает, что эволюция отбирает не только фенотипы с высокой приспособленностью, но и архитектуру генома. Ключевой вывод: в долгосрочной перспективе отбор формирует геном так, чтобы случайные мутации генерировали фенотипические изменения именно в тех направлениях, где среда колеблется чаще всего. Это явление автор называет genome–environment alignment (выравнивание генома и среды).
Математический мост: От популяций к ядрам нейросетей
Аналогия строится не на поверхностном сходстве уравнений градиентного спуска, а на структурных мотивах. Популяция рассматривается как распределение вероятностей в пространстве геномов, которое эволюционирует локально как байесовское обновление, а глобально — как стохастический градиентный спуск (SGD). Шум мутаций выполняет роль «температуры» в этом процессе, предотвращая преждевременную сходимость к локальным оптимумам (Goodharting).
Ключевые параллели между биологией и ML:
- Feature Learning vs Genome-Environment Alignment: Обучение признаков в нейросетях математически эквивалентно выравниванию генома со средой.
- eNTK (evolutionary Neural Tangent Kernel): Аналог ядра Неймана-Тангента, показывающий направления предпочтительных вариаций как в сети, так и в популяции.
- G-Matrix: Биологический аналог матриц, измеряющих «низкоранговость» (low-rankness) при дообучении (finetuning) моделей.
Почему это важно для AI: Индуктивные смещения эволюции
Эволюция предпочитает «плоские минимумы» (flat minima), избыточные решения и локально-линейные структуры. Это позволяет организмам накапливать скрытую вариативность в нейтральных сетях (neutral networks) — структурах, где мутации не меняют фенотип, но создают резерв для быстрой адаптации при изменении среды. Для ML это означает, что индуктивные смещения, заложенные в архитектуру моделей, могут быть оптимизированы по тем же принципам, что и геном: не просто для текущей задачи, а для скорости адаптации к будущим изменениям.
| Концепт | В эволюции (Биология) | В ML (Нейросети) |
|---|---|---|
| Базовая единица | Популяция (распределение в пространстве геномов) | Модель (распределение весов) |
| Механизм оптимизации | Естественный отбор + мутации (шум) | SGD + шум данных/архитектуры |
| Адаптация к изменениям | Выравнивание генома со средой (genome–environment alignment) | Feature Learning (обучение признаков) |
| Мера вариативности | G-Matrix (генетическая ковариация) | NTK / eeNTK (evolutionary NTK) |
| Структура устойчивости | Нейтральные сети (neutral networks) | Плоские минимумы (flat minima) |
Перспективы: От галапагосских вьюрков к LLM
Автор предполагает, что концепция G-матрицы может быть применена для измерения кросс-зависимостей (cross-labilities) в больших языковых моделях, таких как Claude. Понимание того, как эволюция «банкирует» криптическую вариативность, может помочь в создании AI-систем, способных к более быстрой и эффективной адаптации (subliminal learning) без полной переобучки на новых данных.
Источник: LessWrong ↗